Motivation
Datengetriebene Methoden stehen durch ihre beeindruckenden Erfolge nicht nur im Fokus der Wissenschaft, sie sind auch im öffentlichen Diskurs angekommen. Doch mit der steigenden Popularität dieser Ansätze werden auch deren Nachteile sichtbar. Das Trainieren von Künstlicher Intelligenz (KI) erfordert die Anschaffung und intensive Nutzung von Hardware, was eine finanzielle Hürde schafft und mit hohem Energieeinsatz verbunden ist. Hochgradige Spezialisierung verhindert zudem den flexiblen Einsatz der trainierten Modelle. Weiterhin sind viele neuronale Netze anfällig gegen kleinste Störungen, was die sichere Verwendbarkeit und das Vertrauen in solche Modelle drastisch einschränkt.
Ziele und Vorgehen
Im Forschungsvorhaben COMFORT werden daher mathematisch fundierte Methoden für effizientes, flexibles und robustes Lernen entwickelt und insbesondere die Schnittstellen zwischen diesen Bereichen untersucht. Innovative Algorithmen zur Modellkompression in neuen Domänen werden den Aufwand für Training und Auswertung merklich verringern. Ein Kernaspekt ist der Transfer dieser Algorithmen auf verschiedenste Problemklassen und Datentypen (Bild-, Audio- und Netzwerk- und Zeitreihendaten). Ein weiterer Fokus liegt auf der mathematischen Analyse des Zusammenspiels von Kompression, um die Resilienz der Lernverfahren zu sicherzustellen.
Innovationen und Perspektiven
Die theoretischen Fortschritte für optimiertes Lernen parametrisierter Modelle werden voraussichtlich wichtige Erkenntnisse für das gesamte Feld liefern und auch das nötige Vertrauen für den Einsatz von KI in der Praxis stärken. Die effizienten Lernverfahren durch Modellkompression und Transfer werden angesichts der durch technologischen Fortschritt immer größer werdenden Datenmengen große Relevanz auch in der Industrie haben. Die zu erwartenden CO₂ Einsparungen werden merklichen Einfluss auf die nationale und globale Klimabilanz und Ertrag von Firmen im KI-Sektor haben.